
import matplotlib.pyplot as plt
import numpy as np

from sentinelhub import (
    SHConfig,
    CRS,
    BBox,
    DataCollection,
    DownloadRequest,
    MimeType,
    MosaickingOrder,
    SentinelHubDownloadClient,
    SentinelHubRequest,
    bbox_to_dimensions,
)

# The following is not a package. It is a file utils.py which should be in the same folder as this notebook.
from utils import plot_image

"""
Utility functions used by example notebooks
"""
from typing import Any, Optional, Tuple

import matplotlib.pyplot as plt
import numpy as np


def plot_image(
    image: np.ndarray,
    factor: float = 1.0,
    clip_range: Optional[Tuple[float, float]] = None,
    **kwargs: Any
) -> None:
    """Utility function for plotting RGB images."""
    fig, ax = plt.subplots(nrows=1, ncols=1, figsize=(15, 15))
    if clip_range is not None:
        ax.imshow(np.clip(image * factor, *clip_range), **kwargs)
    else:
        ax.imshow(image * factor, **kwargs)
    ax.set_xticks([])
    ax.set_yticks([])


config = SHConfig(
  instance_id='',
  sh_client_id='sh-528927c0-6d64-433b-93da-e2a2ee8274e4',
  sh_client_secret='RwUkYG8qZSox9NNRLl0jpoZ8F9ZUnRTP',
  sh_base_url='https://sh.dataspace.copernicus.eu',
  sh_auth_base_url=None,
  sh_token_url='https://identity.dataspace.copernicus.eu/auth/realms/CDSE/protocol/openid-connect/token',
  geopedia_wms_url='https://service.geopedia.world',
  geopedia_rest_url='https://www.geopedia.world/rest',
  aws_access_key_id='',
  aws_secret_access_key='',
  aws_session_token='',
  aws_metadata_url='https://roda.sentinel-hub.com',
  aws_s3_l1c_bucket='sentinel-s2-l1c',
  aws_s3_l2a_bucket='sentinel-s2-l2a',
  opensearch_url='http://opensearch.sentinel-hub.com/resto/api/collections/Sentinel2',
  max_wfs_records_per_query=100,
  max_opensearch_records_per_query=500,
  max_download_attempts=4,
  download_sleep_time=5.0,
  download_timeout_seconds=120.0,
  number_of_download_processes=1,
)


pardo_wgs84 = (-3.909490,40.459216,-3.666417,40.627233)

resolution = 10 # metros
pardo_bbox = BBox(bbox=pardo_wgs84, crs=CRS.WGS84) # Importante el crs si se usa otro
pardo_size = bbox_to_dimensions(pardo_bbox, resolution=resolution)

print(f"Tamaño de la imagen en {resolution} m resolución: {pardo_size} pixeles")

Tamaño de la imagen en 10 m resolución: (2075, 1847) pixeles


# Evalscript:
evalscript_true_color = """
    //VERSION=3

    function setup() {
        return {
            input: [{
                bands: ["B02", "B03", "B04"]
            }],
            output: {
                bands: 3
            }
        };
    }

    function evaluatePixel(sample) {
        return [sample.B04, sample.B03, sample.B02];
    }
"""

# Función de request
request_true_color = SentinelHubRequest(
    evalscript=evalscript_true_color,
    input_data=[
        SentinelHubRequest.input_data(
            data_collection=DataCollection.SENTINEL2_L1C.define_from(
                "s2l1c", service_url=config.sh_base_url # ESTAR SEGUROS QUE EN SHCONFIG() LO HEMOS PUESTO
            ),
            time_interval=("2023-06-12", "2023-06-13"), # SELECCIONA LAS FECHAS
        )
    ],
    responses=[SentinelHubRequest.output_response("default", MimeType.PNG)],
    bbox=pardo_bbox, # PONER AQUI LA BBOX
    size=pardo_size, # Y SU RESOLUCION
    config=config,
)


pardo_truecolor = request_true_color.get_data()

print(
    f"El tipo de datos devueltos es = {type(pardo_truecolor)} y su longitud es {len(pardo_truecolor)}."
)
print(
    f"Un solo elemento en la lista es de tipo {type(pardo_truecolor[-1])} y tiene forma {pardo_truecolor[-1].shape}"
)

El tipo de datos devueltos es = <class 'list'> y su longitud es 1.
Un solo elemento en la lista es de tipo <class 'numpy.ndarray'> y tiene forma (1847, 2075, 3)


image = pardo_truecolor[0]
print(f"Image type: {image.dtype}")
print(f"Image type: {image.dtype}")
print(f"Image shape: {image.shape}")
print(f"Image min value: {image.min()}")
print(f"Image max value: {image.max()}")

Image type: uint8
Image type: uint8
Image shape: (1847, 2075, 3)
Image min value: 11
Image max value: 255


plot_image(image, factor=2.5 / 255, clip_range=(0, 1))


pardo_sin_nubes = SentinelHubRequest(
    evalscript=evalscript_true_color,
    input_data=[
        SentinelHubRequest.input_data(
            data_collection=DataCollection.SENTINEL2_L1C.define_from(
                "s2l1c", service_url=config.sh_base_url
            ),
            time_interval=("2022-03-01", "2022-03-30"), # Intervalo de un mes, lo pongo en 2022 pq en 2023 se ve oscuro
            mosaicking_order=MosaickingOrder.LEAST_CC, # Que elija la que menos nubes tenga
        )
    ],
    responses=[SentinelHubRequest.output_response("default", MimeType.PNG)],
    bbox=pardo_bbox,
    size=pardo_size,
    config=config,
)


# Como ya sabemos las dimensiones de la imagen que nos puede dar, hacemos el plot directamente
plot_image(pardo_sin_nubes.get_data()[0], factor=4/ 255, clip_range=(0, 1))


evalscript_all_bands = """
    //VERSION=3
    function setup() {
        return {
            input: [{
                bands: ["B01","B02","B03","B04","B05","B06","B07","B08","B8A","B09","B10","B11","B12"],
                units: "DN"
            }],
            output: {
                bands: 13,
                sampleType: "FLOAT32"
            }
        };
    }

    function evaluatePixel(sample) {
        return [sample.B01,
                sample.B02,
                sample.B03,
                sample.B04,
                sample.B05,
                sample.B06,
                sample.B07,
                sample.B08,
                sample.B8A,
                sample.B09,
                sample.B10,
                sample.B11,
                sample.B12];
    }
"""

request_all_bands = SentinelHubRequest(
    evalscript=evalscript_all_bands,
    input_data=[
        SentinelHubRequest.input_data(
            data_collection=DataCollection.SENTINEL2_L1C.define_from(
                "s2l1c", service_url=config.sh_base_url
            ), # -------------------------------------------------------- LO MISMO VALE? --------------------------------
            time_interval=("2022-03-01", "2022-03-30"),
            mosaicking_order=MosaickingOrder.LEAST_CC,
        )
    ],
    responses=[SentinelHubRequest.output_response("default", MimeType.TIFF)],
    bbox=pardo_bbox,
    size=pardo_size,
    config=config,
)


pardo_completo = request_all_bands.get_data()


image = pardo_completo[0]
print(f"Image type: {image.dtype}")
print(f"Image type: {image.dtype}")
print(f"Image shape: {image.shape}")
print(f"Image min value: {image.min()}")
print(f"Image max value: {image.max()}")


# Image showing the SWIR band B12
# Factor 1/1e4 due to the DN band values in the range 0-10000
# Factor 3.5 to increase the brightness
plot_image(pardo_completo[0][:, :, 12], factor=3.5 / 1e4, vmax=1)


plot_image(pardo_completo[0][:, :, [2, 3, 7]], factor = 3.5/1e4, clip_range = (0, 1))


# Sacamos la imagen de falso color a una variable
fc = pardo_completo[0][:, :, [2, 3, 7]]

fc.dtype


# Separar las bandas
blue_band = fc[:, :, 0]
green_band = fc[:, :, 1]
nir_band = fc[:, :, 2]

# Definir criterios para identificar áreas urbanas basados en los valores de las bandas
# Ajusta estos umbrales según las características específicas de tu imagen
urban_threshold_blue = 500  # Este umbral debe ajustarse según sea necesario
urban_threshold_green = 600  # Este umbral debe ajustarse según sea necesario
urban_threshold_nir = 1500  # Este umbral debe ajustarse según sea necesario

# Crear la máscara de áreas urbanas
urban_mask = (nir_band < urban_threshold_nir) & (blue_band > urban_threshold_blue) & (green_band > urban_threshold_green)

# Crear la máscara inversa (áreas no urbanas)
non_urban_mask = ~urban_mask

# Mostrar las máscaras en subplots alineados en la misma fila
fig, axes = plt.subplots(1, 2, figsize=(12, 6))

axes[0].imshow(urban_mask, cmap='turbo', vmin = 0, vmax = 1)
axes[0].set_title('Máscara de Áreas Urbanas')

axes[1].imshow(non_urban_mask, cmap='turbo')
axes[1].set_title('Máscara de Áreas No Urbanas')

plt.show()


ax = 1

Apuntes de Copernicus API - Introducción y True Color¶

Introducción - Librerías y Autenticación¶

Utils.py:¶

Autenticación:¶

Visualizaciones de imagenes de satélite¶

Marcar zona de estudio¶

Metodo de bounding box (BBox)¶

Ejemplo: Monte del pardo¶

Imagen True color en fecha:¶

Explicación más detallada:¶

Imagen sin nubes:¶

Todas las bandas de Sentinel¶

Prueba con SWIR: Banda 12¶

Prueba con Falso Color: Bandas 2, 3, 7¶

Prueba de máscara de lo que no es monte¶